SOFTWARE PARA EL ANÁLISIS DE DATOS (SAD)

MÁSTER UNIVERSITARIO EN BIOINFORMÁTICA Y BIOESTADÍSTICA

Motivación y datasets empleados

El objetivo de nuestro trabajo es estudiar si existe alguna relación entre la vacuna BCG (Bacillus de Calmette y Guérin) para la tuberculosis y los datos de mortalidad de la COVID-19 en algunos países, ya que se hay estudios que sugieren esta vacuna incrementa las capacidades inmunitarias de la población, hecho que se ve en el número reducido de fallecimientos por COVID-19 en ciertos países. Mediante los conjuntos de datos de BCG y de mortalidad por COVID-19 cedidos por The BCG world atlas y por BCG - COVID-19 AI Challenge de Kaggle, vamos a intentar desvelar dichas relaciones.

# Cargamos ambos datasets. Añadir explicación de qué contienen.

BCG_strain <-
  read_csv("task_2-BCG_strain_per_country-1Nov2020.csv")

COVID_noformat <-
  read_csv(
    "task_2-COVID-19-death_cases_per_country_after_fifth_death-till_22_September_2020.csv"
  )

# Intenté ver que hay dentro de los data frames, pero el print es feo así que lo escribiré a mano
# str(COVID_noformat)
# str(BCG_strain)

El contenido de las variables BCG_strain y COVID_noformat es el siguiente:

BCG_strain COVID_noformat
country_name country_name
country_code alpha_3_code
mandatory_bcg_strain_2015-2020 date_first_death
mandatory_bcg_strain_2010-2015 date_fifth_death
mandatory_bcg_strain_2005-2010 deaths_per_million_10_days_after_fifth_death
mandatory_bcg_strain_2000-2005 deaths_per_million_15_days_after_fifth_death
mandatory_bcg_strain_1990-2000 deaths_per_million_20_days_after_fifth_death
mandatory_bcg_strain_1980-1990 deaths_per_million_25_days_after_fifth_death
mandatory_bcg_strain_1970-1980 deaths_per_million_30_days_after_fifth_death
mandatory_bcg_strain_1960-1970 deaths_per_million_35_days_after_fifth_death
mandatory_bcg_strain_1950-1960 deaths_per_million_40_days_after_fifth_death
vaccination_timing_unified deaths_per_million_45_days_after_fifth_death
BCG Atlas: Which year was vaccination introduced? deaths_per_million_50_days_after_fifth_death
Year of changes to BCG schedule deaths_per_million_55_days_after_fifth_death
BCG Atlas: BCG Recommendation Type deaths_per_million_60_days_after_fifth_death
BCG Atlas: Details of changes deaths_per_million_65_days_after_fifth_death
BCG Atlas: Timing of 1st BCG? deaths_per_million_70_days_after_fifth_death
BCG Atlas: BCG Strain deaths_per_million_75_days_after_fifth_death
BCG Atlas: How long has this BCG vaccine strain been used? deaths_per_million_80_days_after_fifth_death
deaths_per_million_85_days_after_fifth_death
deaths_per_million_90_days_after_fifth_death
deaths_per_million_95_days_after_fifth_death
deaths_per_million_100_days_after_fifth_death
deaths_per_million_105_days_after_fifth_death
deaths_per_million_110_days_after_fifth_death
deaths_per_million_115_days_after_fifth_death
deaths_per_million_120_days_after_fifth_death
deaths_per_million_125_days_after_fifth_death
deaths_per_million_130_days_after_fifth_death
deaths_per_million_135_days_after_fifth_death
deaths_per_million_140_days_after_fifth_death
deaths_per_million_145_days_after_fifth_death
deaths_per_million_150_days_after_fifth_death
stringency_index_10_days_after_fifth_death
stringency_index_15_days_after_fifth_death
stringency_index_20_days_after_fifth_death
stringency_index_25_days_after_fifth_death
stringency_index_30_days_after_fifth_death
stringency_index_35_days_after_fifth_death
stringency_index_40_days_after_fifth_death
stringency_index_45_days_after_fifth_death
stringency_index_50_days_after_fifth_death
stringency_index_55_days_after_fifth_death
stringency_index_60_days_after_fifth_death
stringency_index_65_days_after_fifth_death
stringency_index_70_days_after_fifth_death
stringency_index_75_days_after_fifth_death
stringency_index_80_days_after_fifth_death
stringency_index_85_days_after_fifth_death
stringency_index_90_days_after_fifth_death
stringency_index_95_days_after_fifth_death
stringency_index_100_days_after_fifth_death
stringency_index_105_days_after_fifth_death
stringency_index_110_days_after_fifth_death
stringency_index_115_days_after_fifth_death
stringency_index_120_days_after_fifth_death
stringency_index_125_days_after_fifth_death
stringency_index_130_days_after_fifth_death
stringency_index_135_days_after_fifth_death
stringency_index_140_days_after_fifth_death
stringency_index_145_days_after_fifth_death
stringency_index_150_days_after_fifth_death

Una visualización preliminar de estos datos revela que son todos del tipo string y que además muchas columnas sin datos (columnas cuyo único contenido es NULL), por lo tanto llevaremos a cabo una limpieza de los mismos y además llevaremos a cabo un cambio de tipo de variable para que las manipulaciones posteriores sean más cómodas.

# Limpiar datos de BCG

# Elimino columnas que sean sólo NA
BCG_strain <- BCG_strain[, apply(!is.na(BCG_strain), 2, all)]

# De momento, no me interesa qué vacunas se ponían cada año, sino si se ponían o no.

# Transformo los valores de cada año en
# 0 - No se ponía vacuna, hasta ahora None
# 1 - Sí se ponía vacuna
# NA - Este dato es desconocido, hasta ahora Unknown

BCG_strain_no_strain <- BCG_strain

# Transformo los valores de las columnas
BCG_strain_no_strain[, -1] <-
    sapply(BCG_strain_no_strain[, -1], function(x) {
        a <-
            gsub("None", 0, x) %>% gsub("Unknown", NA, .) # Añado los 0 y los NA.
        for (i in 1:length(a)) {
            # Serán 1 aquellos que no sean ni 0 ni NA
            if (a[i] != "0" && !is.na(a[i])) {
                a[i] <- 1
            }
        }
        return(as.integer(a)) # Cambio las columnas a integer
    })

####################################################################################

# Limpiar datos de COVID

# Elimino columnas que sean sólo NA
COVID_noNA <- COVID_noformat[, apply(!is.na(COVID_noformat), 2, all)]

# En este caso, para variar, los valores vacíos están denotados como NULL,
# cambio esto a NA
COVID_Na <- sapply(COVID_noNA, function(x)
    gsub("NULL", NA, x))

# El resulatado de la función anterior es una string. Lo convierto a dataframe.
COVID_Na_df <- as.data.frame(COVID_Na)

# Modifico las fechas para que se almacenen como Date
COVID_Na_df[, c("date_fifth_death")] <-
    as.Date(COVID_Na_df[, c("date_fifth_death")], "%d/%m/%y")

COVID_Na_df[, c("date_first_death")] <-
    as.Date(COVID_Na_df[, c("date_first_death")], "%d/%m/%y")

# Modifico las muertes para que se almacenen como floats.
COVID_Na_df[, -c(1, 2, 3, 4)] <-
    sapply(COVID_Na_df[, -c(1, 2, 3, 4)], as.numeric)

################################################################################################

# Junto ambos dataframes en uno sólo.
COVID_BGC <-
    left_join(BCG_strain_no_strain, COVID_Na_df, by = "country_name")

# Reduzco los colnames, son my largos
colnames(COVID_BGC) <-
    gsub("mandatory_bcg_strain_", "strain", colnames(COVID_BGC)) %>%
    gsub("deaths_per_million", "dpm", .) %>%
    gsub("days_after_fifth_death", "d", .) %>%
    gsub("stringency_index", "si", .)

Nuestra tabla resultante es la siguiente:

Tabla 1. Vacunación de BCG por países y muertes por COVID-19
country_name strain2015-2020 strain2010-2015 strain2005-2010 strain2000-2005 strain1990-2000 strain1980-1990 strain1970-1980 strain1960-1970 strain1950-1960 alpha_3_code
Afghanistan 1 1 1 1 1 1 0 0 0 AFG
Albania 0 0 ALB
Algeria 1 0 0 DZA
Angola 1 1 1 1 1 1 0 0 0 AGO
Argentina 0 0 1 1 1 0 0 0 0 ARG
Armenia 1 1 1 1 0 0 0 0 0 ARM
Tabla 1. Vacunación de BCG por países y muertes por COVID-19
country_name date_first_death date_fifth_death dpm_10_d dpm_15_d dpm_20_d dpm_25_d dpm_30_d dpm_35_d dpm_40_d dpm_45_d
Afghanistan 2020-03-24 2020-04-05 48 47 41 44 79 80 102 118
Albania 2020-03-12 2020-03-25 155 161 159 169 168 41 35 33
Algeria 2020-03-13 2020-03-18 49 66 125 153 161 167 167 32
Angola 2020-03-30 2020-06-12 21 17 20 20 21 19 15 19
Argentina 2020-03-08 2020-03-25 59 68 91 91 116 135 142 153
Armenia 2020-03-27 2020-04-03 144 155 162 56 49 55 53 71
Tabla 1. Vacunación de BCG por países y muertes por COVID-19
country_name dpm_50_d dpm_55_d dpm_60_d dpm_65_d dpm_70_d dpm_75_d dpm_80_d dpm_85_d dpm_90_d dpm_95_d
Afghanistan 134 146 155 165 19 30 37 43 51 58
Albania 32 25 23 25 18 22 22 24 26 39
Algeria 33 30 27 31 31 32 36 39 36 41
Angola 22 22 56 59 55 78 77 81 79 98
Argentina 160 166 167 24 21 31 42 57 57 65
Armenia 75 109 132 146 161 19 25 28 29 33
Tabla 1. Vacunación de BCG por países y muertes por COVID-19
country_name dpm_100_d dpm_105_d dpm_110_d dpm_115_d dpm_120_d dpm_125_d dpm_130_d dpm_135_d dpm_140_d dpm_145_d
Afghanistan 54 64 67 74 72 70 71 74 75 77
Albania 51 57 71 84 96 106 104 122 126 128
Algeria 44 45 46 53 50 54 55 61 63 69
Angola 99
Argentina 79 83 97 106 111 123 129 141 10 25
Armenia 37 46 48 57 56 55 57 62 65 67
Tabla 1. Vacunación de BCG por países y muertes por COVID-19
country_name dpm_150_d si_10_d si_15_d si_20_d si_25_d si_30_d si_35_d si_40_d si_45_d si_50_d
Afghanistan 80 52 47 42 45 45 47 48 56 56
Albania 132 52 47 42 54 53 53 55 62 62
Algeria 73 39 50 46 49 56 56 35 41 43
Angola 40 34 32 35 35 35 34 40 47
Argentina 32 1 1 1 1 1 52 54 61 63
Armenia 70
Tabla 1. Vacunación de BCG por países y muertes por COVID-19
country_name si_55_d si_60_d si_65_d si_70_d si_75_d si_80_d si_85_d si_90_d si_95_d si_100_d
Afghanistan 62 67 60 62 61 61 64 69 64 68
Albania 60 66 71 41 41 41 44 45 42 46
Algeria 66 54 56 59 57 57 60 46 43 48
Angola 53 59 61 58 56 56 68 72 66
Argentina 69 74 76 77 71 71 76 79 73 76
Armenia
Tabla 1. Vacunación de BCG por países y muertes por COVID-19
country_name si_105_d si_110_d si_115_d si_120_d si_125_d si_130_d si_135_d si_140_d si_145_d si_150_d
Afghanistan 67 63 66 60 52 53 27 30 5 3
Albania 41 42 42 37 36 36 31 35 36 35
Algeria 49 48 60 56 57 56 66 68 73 53
Angola
Argentina 76 72 77 71 72 72 75 79 77 77
Armenia 
cormat <-
    cor(COVID_BGC %>% select(
        -c(
            "country_name",
            "alpha_3_code",
            "date_first_death",
            "date_fifth_death",
            43:71
        )
    ) %>% na.omit())
cormat2 <- cormat
cormat2[upper.tri(cormat2)] <-
    NA #Para visualizar solamente una vez las correlaciones
cormat2 <- melt(round(cormat2, 2)) #Formato para poder usar ggplot
ggplot(cormat2, aes(x = Var1, y = Var2, fill = value)) + geom_tile() + scale_fill_continuous(type = "viridis")

fig <-
    plot_ly(
        x = colnames(cormat),
        y = colnames(cormat),
        z = cormat,
        type = "heatmap"
    )

fig
ggplot(COVID_BGC,
       aes(x = dpm_50_d, y = `strain2005-2010`, label = country_name)) +
    geom_jitter(position = position_jitter(seed = 1)) +
    geom_label_repel(size = 2, position = position_jitter(seed = 1)) +
    xlim(c(-100, 800))